Titre original :
LEARNING & REASONING IN HYBRID STRUCTURE
Contenu du livre :
Les applications de l'intelligence artificielle impliquent souvent le traitement de l'incertitude, comme un environnement partiellement observé ou des observations bruyantes.
La théorie des probabilités est un moyen de modéliser l'incertitude, mais la plupart des modèles probabilistes actuels sont incapables de traiter les domaines numériques et logiques hybrides. Les modèles hybrides continus/discrets existants sont généralement limités, sans garantie sur l'erreur d'approximation, de sorte que de nombreux problèmes du monde réel sont hors de portée des systèmes actuels.
Ce livre, Learning And Reasoning In Hybrid Structured Spaces, propose un formalisme récent et général appelé Weighted Model Integration (wmi), qui permet la modélisation et l'inférence probabilistes dans les domaines hybrides structurés. Les algorithmes d'inférence basés sur wmi se distinguent de la plupart des autres solutions par le fait que les probabilités sont calculées à l'intérieur d'un support structuré impliquant des relations logiques et algébriques entre les variables. La recherche dans ce domaine n'en est qu'à ses débuts, mais l'étude des modèles probabilistes hybrides et symboliques et le développement de procédures d'inférence évolutives et d'algorithmes d'apprentissage efficaces suscitent un intérêt croissant.
Le livre rend compte d'une étude sur les techniques de raisonnement et d'apprentissage évolutives dans le contexte de Wmi. Offrant un aperçu d'une importante direction de recherche, ce livre intéressera ceux qui souhaitent en savoir plus sur la mise en place d'une inférence probabiliste évolutive dans les applications de l'intelligence artificielle-- Fourni par l'éditeur.
Autres informations sur le livre :
| ISBN : | 9781643682662 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
| Année de publication : | 2022 |
| Nombre de pages : | 110 |
Achat:
Actuellement disponible, en stock.
